ByteDance: Seedance 2.0 Fast

Seedance 2.0 Fast es la edición de ByteDance Seed centrada en velocidad de la familia Seedance 2.0. Admite generación conjunta de video y audio y un encargo multimodal formado por texto, imágenes, video y sonido. Sus capacidades creativas incluyen escenas nuevas guiadas por referencias, edición de material existente y extensión de una escena; sus niveles de salida documentados son 480p y 720p.

Referencia multimodal: asignar funciones al material

Una imagen puede aportar personaje, producto, composición o tratamiento visual. Un video de referencia puede aportar acción, movimiento de cámara o un efecto. El audio puede aportar timbre de voz, melodía musical o contenido del diálogo. Explica qué parte de cada fuente quieres trasladar a la escena nueva; una referencia resulta más útil con una función creativa concreta.

Por ejemplo: «Usa la lámpara de cerámica de Image 1 como producto. Sigue la órbita lenta de cámara de Video 1, pero sitúa la lámpara en un rincón tranquilo de lectura. Usa Audio 1 para el ambiente musical». La salida prevista es una escena nueva que combine apariencia, movimiento y dirección sonora elegidos, en lugar de una imitación indefinida de todos los detalles de las referencias.

Las combinaciones documentadas incluyen imágenes con audio, imágenes con video, video con audio y los tres juntos. No se admiten texto con audio solo ni entrada únicamente de audio. El modelo también admite texto a video y generación basada en imagen con primer fotograma o pareja de primero y último. Cuando un punto final exacto sea central, usa su flujo específico; describir una imagen de referencia como extremo en omni-reference es control indirecto.

Edición de un video existente

El modelo puede añadir, eliminar o modificar elementos, sustituir un sujeto y redibujar o reparar partes de una escena. Identifica el video fuente, el objeto a cambiar y los elementos que deben permanecer. Para una adición, describe dónde y cuándo aparece. Para eliminar, identifica el objeto de forma consistente en todo el clip.

Un encargo práctico podría sustituir una botella lisa de una demostración por la de Image 1, conservando movimiento de mano, fondo y trayectoria de cámara de Video 1. Revisa tanto la sustitución como las zonas que deben quedar estables. Las instrucciones claras de conservación facilitan evaluar la edición más que pedir de forma general «mejorar» el material.

Extensión y conexión de clips

Seedance 2.0 Fast admite extensión hacia adelante o atrás y conexión de dos o tres clips mediante transiciones generadas. Para extender, indica si la nueva acción sucede antes o después del video y descríbela. Para conectar, aporta los clips en el orden previsto y explica el evento visual que los une.

Una extensión sencilla suele devolver la continuación nueva alrededor del material original, sin suponer que se repita todo el clip fuente. Si la salida debe contener el segmento original, dilo. Al completar una transición entre dos o tres videos, el flujo documentado puede combinar contenido original y generado. Esto sirve para unir una vista amplia de producto con un detalle mediante un movimiento de cámara deliberado.

Salida y diferencias entre ediciones

La salida documentada de Fast es MP4 a 24 fps, 480p o 720p, profundidad de color de 8 bits y clips de 4–15 segundos. Las relaciones compatibles son 21:9, 16:9, 4:3, 1:1, 3:4 y 9:16. La edición estándar Seedance 2.0 enumera por separado 1080p y 4K; esos niveles no son parte de Fast. La familia 2.0 permite devolver el último fotograma generado, pero no admite el modo independiente de vista previa Draft.

Puede generarse audio con el material u omitirse para un clip silencioso. El audio generado es mono. Los idiomas documentados de instrucciones incluyen inglés, español, indonesio, portugués y japonés. Mantén consistente el idioma hablado en un diálogo; la guía desaconseja mezclar idiomas salvo nombres propios. Para una escena hablada, nombra al hablante y pon la línea entre comillas; después especifica interpretación y efectos pertinentes. Ajusta la interpretación requerida a la duración elegida.

Preparación de referencias y límites de entrada

Los límites documentados son hasta nueve imágenes, tres videos y tres clips de audio. Este perfil del fabricante no acepta cargas directas de imagen o video de referencia con rostros humanos reales; los retratos usan su flujo compatible de recursos de retrato. Cada clip de video o audio debe durar 2–15 segundos; el video combinado tiene un máximo de 15 segundos y el audio combinado otro máximo independiente de 15 segundos. Los videos usan MP4 o MOV a 24–60 fps y no deben superar 200 MB cada uno. Los audios usan WAV o MP3 y no deben superar 15 MB cada uno. Los formatos de imagen enumerados son JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC y HEIF. Cada imagen debe pesar menos de 30 MB; el cuerpo total de solicitud tiene un límite de 64 MB. En el perfil documentado, ancho y alto de imagen deben estar estrictamente entre 300 y 6,000 píxeles, con relación ancho/alto estrictamente entre 0.4 y 2.5. Los videos permiten 300–6,000 píxeles por dimensión y relaciones de 0.4–2.5, inclusive, con 407,696–8,295,044 píxeles totales. Los videos MP4 o MOV usan H.264/AVC o H.265/HEVC y audio AAC o MP3.

Ordena los recursos y menciónalos consistentemente como Image 1, Video 1 o Audio 1. Usa también el nombre o rasgo distintivo del sujeto visible junto con el número. Ajusta el encuadre de imágenes límite a la relación de aspecto prevista, porque una discrepancia puede recortar la imagen o provocar un cambio brusco. Centra el encargo en los rasgos a transferir, el evento a generar y lo que conservar; una instrucción larga puede dispersar las indicaciones y dejar sin resolver detalles secundarios.

Plan de tomas, texto y comportamientos conocidos

Organiza un encargo complejo como Toma 1, Toma 2 y Toma 3, con sujeto, acción, posición y sonido claros para cada una. La guía recomienda un movimiento de cámara por toma y advierte que las marcas de tiempo exactas por toma son inestables. Da a cada personaje una etiqueta estable y algunos rasgos distintivos; cuando importe la identidad facial, usa un retrato claro y una referencia de cuerpo completo separados en vez de una hoja combinada de vistas del personaje.

El modelo puede generar texto común, incluidos lemas, subtítulos y globos de diálogo, con indicaciones de color, estilo, posición y entrada. Se prefieren caracteres comunes a caracteres raros o símbolos especiales. Revisa las letras en movimiento. Los subtítulos, logotipos y personajes duplicados no deseados son comportamientos documentados; las restricciones explícitas y referencias limpias pueden reducirlos, sin garantizar su ausencia. Más de cuatro personas de referencia se considera un riesgo de estabilidad, no un límite estricto de cantidad de archivos.

Las extensiones repetidas pueden acumular pérdida de calidad de imagen y una unión puede saltar o retroceder. Limita las continuaciones encadenadas y revisa la unión al editar. El timbre de voz de referencia puede variar, la narración puede terminar con un clic y los caracteres chinos polifónicos o poco comunes pueden pronunciarse mal. Revisa la línea hablada y el audio final; un fundido breve de audio puede ayudar con un corte. Estas comprobaciones forman parte de preparar el resultado creativo, especialmente cuando el habla o la continuidad de personajes sostienen la historia.